AGENTSCODRIVER: Large Language Model Empowered Collaborative Driving with Lifelong Learning

本文是LLM系列文章，针对《AGENTSCODRIVER: Large Language Model Empowered Collaborative Driving with Lifelong Learning》的翻译。

摘要

联网和自动驾驶最近经历了快速发展。然而，目前的自动驾驶系统主要基于数据驱动的方法，在可解释性、泛化和持续学习能力方面存在重大缺陷。此外，单车自动驾驶系统缺乏与其他车辆的协作和协商能力，这对驾驶安全和效率至关重要。为了有效地解决这些问题，我们利用大型语言模型（LLM）开发了一个名为AGENTSCODRIVER的新框架，使多辆车能够进行协同驾驶。AGENTSCODRIVER由五个模块组成：观察模块、推理引擎、认知记忆模块、强化反射模块和交流模块。随着时间的推移，它可以通过与驾驶环境的不断互动来积累知识、教训和经验，从而实现终身学习。此外，通过利用通信模块，不同的代理可以在复杂的驾驶环境中交换信息并实现协商和协作。广泛的实验表明，AGENTSCODRIVER比现有方法更优越。

1 引言

2 相关工作

3 系统公式

4 方法：AGENTSCODRIVER

5 实验

6 局限性和未来工作

7 结论

在本文中，我们提出了AGENTSCODRIVER，这是一个基于LLM的多车辆协作驾驶框架，具有终身学习功能，允许不同的驾驶代理在复杂的交通场景中相互通信并